基于进化神经网络的齿轮可靠性预测

人工神经网络模型中广泛应用的是BP(BackPropagation)模型 ,针对BP算法存在收敛速度慢 ,容易陷入局部最小点的缺陷 ,本文用遗传算法 (GeneticAlgorithm :GA)训练神经网络 (ArtificialNeuralNetwork :ANN) ,取代了一些传统的学习算法 ,设计了GA +BP学习算法 用遗传算法和神经网络相结合的方法求解了齿轮弯曲疲劳寿命的预测问题 仿真结果表明 ,组合GA与BP可以克服单纯使用BP易陷入局部极小等问题 ,取得了较为满意的效果 ,预测精度较高     

基于神经元网络和模糊专家系统的电力短期负荷预测

结合RBF神经元网络和模糊专家系统进行负荷预测.给出径向基函数(RBF)网络的结构,并采用正交最小平方法(OLS)选取RBF中心.先用RBF进行基本负荷预测,然后考虑天气变化和假日因素所引起的负荷变化,利用模糊专家系统进行负荷调整.文中把日期划分为5类.测试结果表明,该方法具有较高的精度和较快的速度.     

BP算法研究

BP(Back-Propagation)是用于ANN(人工神经网络)的一个著名学习算法,广泛地应用于多级网中。本文探讨面对给定的一组样本,如何用BP 使ANN 获得最佳的学习效果.     

BP神经网络的改进及其在内网信息安全评估中的应用研究

针对反向传播人工神经网络(BP ANN)收敛速度慢的问题,提出一种改进的自适应动量因子的BP算法.该算法使得权值向量和偏置值都可以根据自适应动量进行调整,减小了学习过程中出现振荡的趋势,缩短了网络收敛时间.基于改进BP ANN建立电子政务内网神经网络评估模型,比较改进前与改进后BP ANN评估模型的性能.仿真结果表明,改进后BP ANN评估模型收敛性能更稳定且评估误差更小,能够更好地为复杂的电子政务内网进行信息安全评估.     

基于模糊逻辑聚类神经网络算法的中长期负荷预测

电力系统中长期负荷预测受大量不确定因素的影响,聚类方法能够将各种影响因素综合引入预测模型,提高了预测精度。采用一种由模糊逻辑单元组成的聚类神经网络用于中长期负荷预测。利用模糊集理论中的模糊逻辑算子y1完成网络运算,提高了聚类神经网络的运算速度。虽然网络采用了竞争学习作为网络的学习算法,但是它克服了一般竞争学习算法固有的死点问题,使得历史数据的聚类分析中聚类中心初始点的选取有更大的随意性。运用文中所述模型及算法综合考虑了历史负荷情况和未来不确定因素等对未来负荷变化的影响。通过与传统的方法进行中长期负荷预测比较,结果表明该方法可以提高负荷预测的精度。     

遗传算法和神经网络在短期负荷预测中的应用研究

短期负荷预测是电力市场运营的基本内容,预测精度的高低对于电力系统安全、经济、优化、节能调度运行具有极为重要的指导作用。如何提高预测精度也是学界一直不懈的追求目标。本文针对BP算法易陷入局部极小、收敛速度慢的缺点。根据遗传算法具有全局寻优的特点,将二者结合起来形成一种训练神经网络的混合算法一GA—BP算法,并结合一个实际的电力系统短期负荷变化的情况。用实际算例表明该方法具有较高的预测精度和较好的适应性。     

基于动态模糊神经网络的短期电力负荷预测

针对电力负荷受天气和日期影响特点,提出一种基于动态模糊神经网络的短期电力负荷预测的新方法.该算法最大的特点是模糊规则是动态变化的,通过系统误差、可容纳边界来判断系统是否需要新增一条模糊规则,使用误差下降率(ERR)修剪算法剔除对整个网络影响较小的模糊规则.该算法还使用了分级学习法让网络的学习速度大大提高.在分析了EUNITE网络提供的负荷数据基础上来进行仿真,该仿真将温度、星期、月份、节假日因素作为网络的输入向量,取日负荷峰值作为网络的输出向量.仿真结果显示取得了较好的预测准确率.     

基于进化神经网络的齿轮可靠性预测

人工神经网络模型中广泛应用的是BP（Back Propagation0模型，针对BP算法存在收敛速度慢，容易陷入局部最小点的缺陷，本文用遗传算法(Genetic Algorithm:GA）训练神经网络（Artificial Neural Network:ANN），取代了一些传统的学习算法，设计了GA＋BP学习算法，用遗传算法和神经网络相结合的方法求解了齿轮弯曲疲劳寿命的预测问题，仿真结果表明，组合GA与BP可以克服单纯使用BP易入局部极小等问题，取得了较为满意的效果，预测精度较高。     

基于模糊C-均值聚类分析与BP网络的短期负荷预测

提出了一种基于模糊C-均值聚类分析与BP（Back-propagation）网络的短期负荷预测方法，通过模糊C-均值聚类分析将历史负荷数据分成若干类，建立相应的BP网络模型，用LM（Levenberg-Marquardt）优化法进行训练，找出与预测日相符的BP网络，预测一天中96点的负荷，实际负荷预测结果表明，该方法具有较好的训练速度和较高的预测精度。     

基于粒子群BP神经网络的短期电力负荷预测

电力负荷预测通常采用神经网络方法,该方法训练时间较长,并且由于负荷受到气象因素影响,该算法预测的精度不是很高.为了克服当前存在的问题,采用粒子群算法优化BP神经网络的权值和阈值,归一化处理气象因素,利用神经网络预测短期电力负荷.实验结果表明,该方法比单纯BP神经网络预测具有明显优势.     

基于人工神经网络的负荷预报模型

针对基于ＢＰ（ＢａｃｋＰｒｏｐａｇａｔｉｏｎ）学习算法存在的问题,提出了变步幅最速下降和共轭梯度的混合算法来训练人工神经网络,并建立负荷预报人工神经网络模型．为了提高预测精度,对预报权值进行在线修正．实例证明,混合算法在全局收敛特性和收敛速度上要好于基本ＢＰ算法,所建立的预报模型能达到令人满意的精度．     

混合粒子群径向基神经网络的短期负荷预测的应用

电力短期负荷预测的结果对电力系统的经济效益具有重要影响.为了克服基本粒子群(Particle Swarm Optimization,PSO)算法收敛精度不高、易陷入局部最优的缺点,提出一种将自然选择和变异结合的混合粒子群(Hybrid Particle Swarm Optimization,HPSO)算法,可以保持种群的多样性,有效地避免粒子早熟,并利用混合粒子群算法优化径向基神经网络的权值,最后将优化好的径向基神经网络进行广西某市的短期电力负荷预测.计算结果表明,该算法收敛速度快,并达到了提高预测精度和改善网络性能的要求.     

基于PSO改进的T-S模糊神经网络短期电力负荷预测研究

精确的电力负荷预测有利于保障电网运行的安全性、稳定性、高效性及经济性.为提高预测精度,采用了一种PSO改进T-S(Takagi-Sugeno)模糊神经网络方法.分析了数据预处理对改善输入量的重要性,讨论了可以让学习率和平滑因子动态调节的改进T-S模糊神经网络算法,从而使PSO找到最优参数,然后结合历史负荷数据、相关影响因素进行预测,以表明改进的T-S模糊神经网络在短期电力负荷中具有更高的控制精度.     

Improved wavelet neural network combined with particle swarm optimization algorithm and its application

1 INTRODUCTIONFor the last decade ,the wavelet neural net-work ( WNN) method was noticed by many re-searchers[1 3].It has been widely appliedin variousaspects such as short term load forecasting[4 ,5].While ,it is prone to cause the curse of di mension-ality with the factors taken into consideration in-creasing , which becomes the bottleneckfor thei m-provement of its application[6 ,7].Inthis study ,a new methodfor opti mizingthestructure of wavelet networks was developed byadopting an p…     

磨煤机制粉系统控制算法的分级

在分析模糊控制基本原理的基础上,针对磨煤机制粉系统特性,提出了优先控制权具有可变性的预测、分级控制算法.利用规则编辑器建立了模糊规则,给出了输入/输出关系曲线,并做出分析.此控制算法经过模拟仿真,获得满意结果.     

Fuzzy iterative learning control of electro-hydraulic servo system for SRM direct-drive volume control hydraulic press

A new kind of volume control hydraulic press that combines the advantages of both hydraulic and SRM (switched reluctance motor) driving technology is developed. Considering that the serious dead zone and time-variant nonlinearity exist in the volume control electro-hydraulic servo system, the ILC (iterative learning control) method is applied to tracking the displacement curve of the hydraulic press slider. In order to improve the convergence speed and precision of ILC, a fuzzy ILC algorithm that utilizes the fuzzy strategy to adaptively adjust the iterative learning gains is put forward. The simulation and experimental researches are carried out to investigate the convergence speed and precision of the fuzzy ILC for hydraulic press slider position tracking. The results show that the fuzzy ILC can raise the iterative learning speed enormously, and realize the tracking control of slider displacement curve with rapid response speed and high control precision. In experiment, the maximum tracking error 0.02 V is achieved through 12 iterations only.     

基于减法聚类的自适应模糊神经网络的短期负荷预测

论述了基于减法聚类的自适应模糊神经网络（ANFIS：adaptive neuro—fuzzy inference system）的短期负荷预测方法．利用减法聚类的方法确定了自适应模糊神经网络的结构,再结合最小二乘估计法和反向传播算法对参数进行训练．向训练好的自适应模糊神经网络输人相关的影响因素数据进行预测．预测结果显示,自适应模糊神经网络能比人工神经网络获得更高的预测精度和耗费更少的训练时间,所以有更好的使用价值．     

融合LSTM和SVM的钢铁企业电力负荷短期预测

为了解决大型钢铁企业电力用电对地区负荷冲击大, 电力负荷短期预测准确率低的问题, 提出一种融合长短期记忆网络(long short-term memory, LSTM)和支持向量机(support vector machine, SVM)的负荷短期预测算法。对钢铁工业地区负荷特性进行分析, 根据系统负荷的组成部分将负荷细分为冲击性负荷和其他负荷, 采用协方差和皮尔逊算法分别对负荷影响因子进行相关性分析和差异化处理; 选取历史负荷、温度、日期类型、钢价、电价、铁矿石价格6个属性作为负荷预测影响因素, 通过模糊权值逻辑将LSTM和SVM融合, 得到最终负荷预测结果。仿真试验结果表明, 所提出的预测方法相对于单独的LSTM或SVM, 可以更准确地预测钢铁工业地区的短期负荷。     

基于模拟退火的Gauss-Newton算法神经网络在短期负荷预测中的应用

针对一般BP网络存在的一些缺陷,首次提出了利用基于模拟退火的Gauss-Newton算法的神经网络预测电力系统短期负荷,并编制了通用程序.在相同的初始条件下,用基于模拟退火的Gauss-Newton算法的神经网络和自适应学习率附加动量法神经网络进行了比较,得出前者的特点和优点:一次性求解权值和偏差,收敛快,精度高,收敛于全局最优解.在算例中,基于人工神经网络的非线性特点进行了负荷预测,通过和真实值的比较说明本方法预测结果精度很高,从而更进一步验证了该方法应用于短期负荷预测的可靠性和优势.